自适应Tent混沌搜索的人工蜂群算法

为了有效改善人工蜂群算法(artificial bee colony algorithm,ABC)的性能,结合Tent混沌优化算法,提出自适应Tent混沌搜索的人工蜂群算法.该算法使用Tent混沌以改善ABC的收敛性能,避免陷入局部最优解,首先应用Tent映射初始化种群,使得初始个体尽可能均匀分布,其次自适应调整混沌搜索空间,并以迄今为止搜索到的最优解产生Tent混沌序列,从而获得最优解.通过对6个复杂高维的基准函数寻优测试,仿真结果表明,该算法不仅加快了收敛速度,提高了寻优精度,与其他最近改进人工蜂群算法相比,其性能整体较优,尤其适合复杂的高维函数寻优.     

嵌入粒子群优化算法的混合人工蜂群算法

为了克服人工蜂群算法存在的早熟收敛、后期收敛速度变慢等缺点,提出了一种基于粒子群优化算法的混合人工蜂群算法(PABC).对陷入局部极值的雇佣蜂,采用粒子群优化算法对其重新进行初始化.粒子群优化算法具有很强的全局搜索性能,能使陷入局部极值的雇佣蜂尽快摆脱局部约束.测试函数的计算结果表明,改进的人工蜂群算法大大提高了蜂群算法的寻优能力,在收敛速度和精度方面均优于基本蜂群算法.     

基于自适应Tent混沌搜索的粒子群优化算法

为解决粒子群优化算法易于陷入局部最优问题,提出基于自适应Tent混沌搜索的粒子群优化算法。应用Tent 映射初始化均匀分布的粒群,并以当前整个粒子群迄今为止搜索到的最优位置为基础产生Tent混沌序列,混沌序列的搜索范围采用自适应调整方法。该方法可以有效避免计算的盲目性,还能够快速搜寻到最优解。实验表明该算法在多个标准测试函数下都超越了同类改进算法。     

基于Tent混沌序列的粒子群优化算法

针对粒子群优化算法易陷入局部极值和进化后期收敛速度缓慢的问题,提出基于Tent混沌序列的粒子群优化算法,应用Tent映射初始化均匀分布的粒群,提高初始解的质量,设定粒子群聚集程度的判定阈值,并引入局部变异机制和局部应用Tent映射重新初始化粒群的方法,增强算法跳出局部最优解的能力,有效避免计算的盲目性,从而加快算法的收敛速度。仿真实验结果表明,该算法是有效的。     

基于Tent混沌粒子群算法的滚动窗口路径规划

提出一种基于Tent混沌变异粒子群的路径滚动规划算法。在改进的粒子群算法中为防止早收敛,加入自适应混沌变异操作,在加强算法局部搜索能力的同时保证搜索过程中种群的多样性。仿真实验结果表明,在障碍物复杂的环境下,利用该算法也可以迅速规划出一条全局较优的安全避碰路径。     

Tent混沌粒子群算法及其在结构优化决策中的应用

首先对Tent混沌序列加以改进,将其引入粒子群算法中;然后提出一种基于改进的Tent映射的粒子群算法.采取分阶段更新的优化策略,使其在搜索初期更具遍历性,在搜索后期,通过人为更替最差粒子的速度和位置,使算法具有更快的收敛速度与更好的全局搜索能力.构建一种资源配置结构优化模型,并将改进的Tent映射粒子群算法引入资源配置结构优化决策中,在寻优速度、精度和成功率等方面均显示出良好的优化效果.     

基于群体适应度方差的自适应混沌粒子群算法*

已有的混沌粒子群算法多使用Logistic混沌映射,但Logistic混沌映射产生的混沌序列不够均匀,影响了混沌粒子群算法的性能。提出在混沌粒子群算法中引入均匀性更好的An混沌映射,利用An混沌映射初始化粒子群的位置和速度,并通过适应度方差的变化来自适应控制部分粒子进行混沌更新,来改善混沌粒子群算法的性能。数值仿真的结果表明,改进算法的收敛性和全局搜索能力都有所提高,能有效避免早熟收敛。     

基于改进的Tent混沌万有引力搜索算法

万有引力搜索算法(gravitational search algorithm,GSA)相比于传统的优化算法具有收敛速度快、开拓性能强等特点,但GSA易陷入早熟收敛和局部最优,搜索能力较弱.为此,提出一种基于改进的Tent混沌万有引力搜索算法(gravitational search algorithm based on improved tent chaos,ITC-GSA).首先,改进Tent混沌映射来初始化种群,利用Tent混沌序列随机性、遍历性和规律性的特性使得初始种群随机性和遍历性在可行域内,具有加强算法的全局搜索能力;其次,引入引力常数G的动态调整策略提高算法的收敛速度和收敛精度;再次,设计成熟度指标判断种群成熟度,并使用Tent混沌搜索有效抑制算法早熟收敛,帮助种群跳出局部最优;最后,对10个基准函数进行仿真实验,结果表明所提算法能够有效克服GSA易陷入早熟收敛和局部最优的缺点,提高算法的收敛速度和寻优精度.     

基于Tent混沌搜索的差分进化算法及其应用

针对差分进化算法求解函数优化问题存在过早收敛和不稳定等缺陷,提出一种利用Tent混沌搜索的差分进化算法(TCDE).用Tent映射初始化种群,并以种群搜索到的最优个体为基础产生Tent混沌序列,以提高种群多样性,增强算法跳出局部最优解的能力.几个典型测试函数的测试结果表明TCDE的搜索能力优于DE.将改进算法应用于近似计算导数,仿真结果表明,新算法不仅能近似求解一阶导数,还能近似计算较复杂的高阶导数.     

引入人工蜂群搜索算子的粒子群算法

针对标准粒子群算法易出现早熟现象和收敛速度慢等问题,提出一种引入人工蜂群搜索算子的粒子群算法.首先利用人工蜂群搜索算子很强的探索能力,对粒子搜索到的历史最优位置进行搜索以帮助算法快速跳出局部最优点;然后,为了提高算法的全局收敛速度,提出一种基于混沌和反学习的初始化方法.通过12个标准测试函数的仿真实验并与其他算法相比较,所得结果表明所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.     

A recombination-based hybridization of particle swarm optimization and artificial bee colony algorithm for continuous optimization problems

This paper presents a hybridization of particle swarm optimization (PSO) and artificial bee colony (ABC) approaches, based on recombination procedure. The PSO and ABC are population-based iterative methods. While the PSO directly uses the global best solution of the population to determine new positions for the particles at the each iteration, agents (employed, onlooker and scout bees) of the ABC do not directly use this information but the global best solution in the ABC is stored at the each iteration. The global best solutions obtained by the PSO and ABC are used for recombination, and the solution obtained from this recombination is given to the populations of the PSO and ABC as the global best and neighbor food source for onlooker bees, respectively. Information flow between particle swarm and bee colony helps increase global and local search abilities of the hybrid approach which is referred to as Hybrid approach based on Particle swarm optimization and Artificial bee colony algorithm, HPA for short. In order to test the performance of the HPA algorithm, this study utilizes twelve basic numerical benchmark functions in addition to CEC2005 composite functions and an energy demand estimation problem. The experimental results obtained by the HPA are compared with those of the PSO and ABC. The performance of the HPA is also compared with that of other hybrid methods based on the PSO and ABC. The experimental results show that the HPA algorithm is an alternative and competitive optimizer for continuous optimization problems.     

求解工程约束优化问题的PSO-ABC混合算法*

针对包含约束条件的工程优化问题,提出了基于人工蜂群的粒子群优化PSO-ABC算法。将PSO中较优的粒子作为ABC算法的蜜源,并使用禁忌表存储其局部极值,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性规则进行约束处理,将粒子种群分为可行子群和不可行子群,并在ABC算法产生蜜源的过程中保留部分较优的可行解和不可行解的信息,弥补了可行性规则处理最优点位于约束边界附近的问题时存在的不足。四个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。     

基于Tent映射的自适应混沌嵌入式粒子群算法

为避免粒子群算法后期出现早熟收敛,提出一种基于Tent映射的自适应混沌嵌入式粒子群算法。将混沌变量嵌入到标准粒子群算法中,且对参数进行自适应调整。算法采用Tent映射生成的混沌序列来取代基本粒子群算法中的随机数,充分利用了混沌运动的随机性、遍历性和规律性;惯性权重和学习因子采用非线性的自适应调整策略;建立平均粒距与适应度方差相结合的早熟收敛判断机制,并且以混沌搜索的方式来跳出局部最优。测试函数仿真结果表明,该算法具有良好的全局搜索能力,寻优精度较高,鲁棒性好。     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

A prototype classifier based on gravitational search algorithm

In recent years, heuristic algorithms have been successfully applied to solve clustering and classification problems. In this paper, gravitational search algorithm (GSA) which is one of the newest swarm based heuristic algorithms is used to provide a prototype classifier to face the classification of instances in multi-class data sets. The proposed method employs GSA as a global searcher to find the best positions of the representatives (prototypes). The proposed GSA-based classifier is used for data classification of some of the well-known benchmark sets. Its performance is compared with the artificial bee colony (ABC), the particle swarm optimization (PSO), and nine other classifiers from the literature. The experimental results of twelve data sets from UCI machine learning repository confirm that the GSA can successfully be applied as a classifier to classification problems.     

基于动态整体更新和试探机制的蜂群算法

蜂群算法已被证明其效率高于多数传统优化算法,但是对于不可分离变量的函数则优势不明显。为平衡单维更新与整体更新,避免算法在某一方面开采过深陷入局部最优,通过计算单维开采成功率动态地控制参数limit,提出了一种单维更新和整体更新交替进行的混合算法。该算法在整体更新阶段采用基于试探机制的粒子群算法,避免种群飞向错误的方向。采用多种不同类型的基准函数对改进算法进行测试,数值实验结果验证了该算法的有效性。     

The parameter extraction of the thermally annealed Schottky barrier diode using the modified artificial bee colony

In this paper, a new method based on the modified artificial bee colony (MABC) algorithm to determine the main characteristic parameters of the Schottky barrier diode such as barrier height, ideality factor and series resistance. For this model, the Ni/n-GaAs/In Schottky barrier diode was produced and annealed at different temperature in a laboratory. The performance of the modified ABC method was compared to that of the basic artificial bee colony (ABC), particle swarm optimization (PSO), differential evolution (DE), genetic algorithm (GA) and simulated annealing (SA). From the results, it is concluded that the modified ABC algorithm is more flexible and effective for the parameter determination than the other algorithms.     

基于诺兰模型思想的改进混沌粒子群优化算法及评价

针对粒子群优化算法(PSO) 在处理高维复杂函数时容易陷入局部极值、收敛速度慢的缺陷, 从系统的认知分析过程和角度出发, 提出一种基于诺兰模型(NM) 思想的改进PSO 算法. 该算法在Tent 混沌映射选择的参数的基础上, 结合NM信息融合和协调的思想, 在速度更新过程中增加均衡项, 并设计粒子群的欧氏距离指数以防止早熟, 从而实现对粒子的自动调整、保证多样性和提高算法的全局搜索能力. 最后, 运用典型函数对所提出算法进行测试, 并与最新相关算法进行比较, 结果表明, 所提出算法在全局搜索能力、效率和稳定性方面均具有明显的优势.